INTRODUCCIÓN

Trabajaremos en base a un ciclo productivo Salmo salar de 54 semanas, con iguales condiciones para las 10 jaulas. Tomaremos datos de peso promedio final, conversión, mortalidad y velocidad de crecimiento en gramos por semana.

datos <- read_excel("/cloud/project/jaula.xlsx") 

head(datos)
## # A tibble: 6 × 6
##     sem jaula grupo pprom  znum   fcr
##   <dbl> <chr> <chr> <dbl> <dbl> <dbl>
## 1     1 J101  SISA   124.   515 0.863
## 2     2 J101  SISA   132.   686 0.863
## 3     3 J101  SISA   146.   167 0.865
## 4     4 J101  SISA   161.    45 0.867
## 5     5 J101  SISA   182.    27 0.869
## 6     6 J101  SISA   209.    26 0.873

GRÁFICAS

#histograma con mas datos de ejes y mas cadenas de comandos#
#histograma para pprom#
hist(x = datos$pprom, main = "Histograma de Pesos promedio", 
     xlab = "Gramos", ylab = "Frecuencia",
     col = "brown")

Primera apreciación

La distribución de pesos promedios tiene una alta aglomeración en el rango < a 200 [gr], lo cual nos da un indicio de que el grupo conformado por peces provenientes de piscicultura RAS SEALAND, posee un peso menor al de los peces FA SISA y, está ensuciando de alguna manera el desempeño general del universo.

#histograma para znum#
hist(x = datos$znum, main = "Histograma de numero de mortalidad", 
     xlab = "N mortalidad", ylab = "Frecuencia",
     col = "grey")

Apreciaciones

La distribucion de frecuencias de mortalidad, tambien nos indica que los peces muertos con mayor frecuencia, pertenecen al grupo < a 2000 [gr]

Pruebas de homocedasticidad

Realizaremos pruebas de homocedasticidad e independencia de los datos a trabajar.

plot(density(datos$pprom))

plot(density(datos$znum))

plot(density(datos$fcr))

plot(ecdf(datos$pprom))

plot(ecdf(datos$znum))

plot(ecdf(datos$fcr))

##inndependencia y variacion entre los datos

ggplot(datos, aes(x=grupo, y=pprom, fill = grupo)) +
  geom_boxplot()

ggplot(datos, aes(x=grupo, y=pprom, fill = grupo)) +
  labs(y = "Peso promedio (g")+
  geom_boxplot() + 
  geom_jitter()

#interaccion entre los datos##
interaction.plot(datos$grupo, datos$znum, datos$fcr)

corPlot(datos[,4:6], cex = 1.9, main = "Matriz de correlación")

Supuestos previos

Las pruebas de interacción y correlación, no son determinantes como para decidir la diferencia entre los grupos de peces de pisciculturas de recirculación (RAS) y flujo abierto (FA). Por lo tanto, previo a un análisis de hipótesis, realizaremos una exploración visual del comportamiento del centro en cuestión.

grafico <- datos %>%
  ggplot() + 
  geom_point(aes(x = pprom, y = fcr, col = grupo, size = znum), alpha = 0.8) + theme_classic() + 
  theme(legend.position = "bottom") + guides(size = "none") + 
  labs(x = "Peso Promedio [gr]" ,y = "FCR",  col = "") 

grafico +
  transition_time(sem)

## Otra visión, nos la puede entregar la velocidad de crecimiento por semana, es decir, expresar una tasa de cambio para cada grupo en [gr/sem]. Ésto queda evidenciado al observar ambos grupos durante las 54 semanas de cultivo.

velocidades <- read_excel("/cloud/project/velocidades.xlsx")

head(velocidades)
## # A tibble: 6 × 5
##     sem grupo grporsem  znum   fcr
##   <dbl> <chr>    <dbl> <dbl> <dbl>
## 1     1 SISA      6      746 0.468
## 2     2 SISA      6.02  2166 0.865
## 3     3 SISA     12.4    351 0.867
## 4     4 SISA     11.3     86 0.868
## 5     5 SISA     17.5     85 0.870
## 6     6 SISA     24.5     78 0.873
#velocidad crecimiento SISA

velocidades %>%
  filter(grupo == "SISA") %>%
  ggplot(aes(sem, grporsem)) + geom_point() + geom_line() + 
  geom_text(aes(x = min(sem), y = min(grporsem), label = as.factor(sem)) , hjust=-2, vjust = -0.2, alpha = 0.5,  col = "gray", size = 20) +
  theme_minimal() +
  transition_reveal(sem) + 
  ggtitle("Velocidad crecimiento",
          subtitle = "SISA")+
  
  view_follow()

#Velocidad crecimiento SEALAND
velocidades %>%
  filter(grupo == "SEALAND") %>%
  ggplot(aes(sem, grporsem)) + geom_point() + geom_line() + 
  geom_text(aes(x = min(sem), y = min(grporsem), label = as.factor(sem)) , hjust=-2, vjust = -0.2, alpha = 0.5,  col = "gray", size = 20) +
  theme_minimal() +
  transition_reveal(sem) + 
  ggtitle("Velocidad crecimiento",
          subtitle = "SEALAND")+
  
  view_follow()

Ahora bien, si queremos visualizar el desempeño por jaula, en una misma gráfica.

all <- read_excel("/cloud/project/jaulas.xlsx")
all%>%
  ggplot(aes(x = semana, y = pprom, color = jaula))+
  geom_line( )+
  geom_point()+
  xlab("Semana")+
  ylab("Peso [gr]")+
  labs(color = "Jaula")+
  ggtitle("Evoluci?n peso por jaula")+
  theme_minimal()

#creamos el objeto de ggplot

g1 = all%>%
  ggplot(aes(x = semana, y = pprom, color = jaula))+
  geom_line(size = 1)+
  geom_point(aes(group = seq_along(semana)), size = 2)+
  
  #estos son los segmentos que unirás las lineas con los datos
  geom_segment(aes(xend = 54, yend = pprom, group = jaula),
               linetype = 2, colour = 'grey') +
  
  #Los datos:
  geom_text(aes(x = 54, label = jaula), hjust = 0)+
  guides(color = FALSE)+
  scale_color_got_d(option = "Daenerys")+
  scale_x_continuous(breaks = seq(1, 54, by = 2),
                     limits = c(1, 54))+
  xlab("")+
  ylab("")+
  ggtitle("Crecimiento Forsyth 2021",
          subtitle = "Crecimiento semanal por jaula, 1 - 54")+
  labs(caption="Alain Munoz ")+
  theme_minimal()+
  
  
  #aumentando la fuentte para que sea mas amigable en el gif:
  
  theme(plot.title = element_text(size = 15),
        plot.subtitle = element_text(size = 12),
        axis.text.x = element_text(size = 10),
        plot.caption = element_text(size = 10, color = "grey40"))+

#animacion

transition_reveal(semana)+
  coord_cartesian(clip = 'off') +
  enter_fade() +
  exit_shrink()
## Warning: `guides(<scale> = FALSE)` is deprecated. Please use `guides(<scale> =
## "none")` instead.
#moviendo el objeto:

animate(g1)